


Des chercheurs du MIT utilisent l'IA pour aider les voitures autonomes à éviter de tourner au ralenti aux feux rouges
Et si les automobilistes pouvaient planifier leurs déplacements avec précision de manière à passer directement aux feux de circulation à chaque fois ?
Bien que cela n'arrive qu'aux conducteurs humains dans des circonstances particulièrement chanceuses, cela peut également être fait par des véhicules autonomes utilisant l'IA pour contrôler leur vitesse sont mis en œuvre de manière plus stable.
Dans une nouvelle étude, des scientifiques du Massachusetts Institute of Technology (MIT) démontrent une approche d'apprentissage automatique. La méthode peut apprendre à contrôler une flotte de véhicules autonomes pour maintenir la fluidité de la circulation à l’approche et au passage d’une intersection signalée.
Selon les résultats de simulation, leur méthode peut réduire la consommation de carburant et les émissions tout en augmentant la vitesse moyenne des véhicules. La technologie fonctionnera mieux si toutes les voitures sur la route sont autonomes, mais même si seulement 25 % des voitures utilisent leurs algorithmes de contrôle, elle apportera toujours d’énormes avantages en termes de carburant et d’émissions.
« C'est un endroit vraiment intéressant pour intervenir. La vie de personne ne sera meilleure parce qu'elle est coincée à une intersection. Il y a une différence de qualité de vie attendue dans beaucoup d'autres interventions sur le changement climatique, il y a donc un obstacle. entrée là-bas", a déclaré Cathy Wu, auteur principal de l'étude. Il est rapporté qu'il est professeur adjoint de développement de carrière Gilbert W. Winslow au Département de génie civil et environnemental et membre de l'Institut des données, des systèmes et de la société (IDSS) et du Laboratoire des systèmes d'information et de décision (LIDS).
LIDS et Vindula Jayawardana, étudiante diplômée au Département de génie électrique et d'informatique, sont tous deux les premiers auteurs de l'étude. La recherche sera présentée à la Conférence européenne de contrôle.
Intersections complexes
Bien que les humains puissent traverser un feu vert sans réfléchir, les intersections peuvent se produire dans des milliards de situations différentes en fonction du nombre de voies, du fonctionnement des feux, du nombre et de la vitesse des véhicules, de la présence de piétons et de cyclistes. , etc.
L'approche typique pour résoudre les problèmes de contrôle d'intersection consiste à utiliser un modèle mathématique pour résoudre une intersection simple et idéale. Cela semble bien sur le papier, mais cela ne tiendra probablement pas dans le monde réel, où les schémas de trafic sont souvent chaotiques.
Wu et Jayawardana y ont réfléchi sous un autre angle. Ils ont utilisé une technologie sans modèle appelée apprentissage par renforcement profond pour résoudre ce problème. L'apprentissage par renforcement est une méthode d'essais et d'erreurs dans laquelle un algorithme de contrôle apprend à prendre une série de décisions. Lorsqu'il trouve une bonne séquence, il est récompensé. Avec l’apprentissage par renforcement profond, les algorithmes utilisent les hypothèses apprises par les réseaux de neurones pour trouver des raccourcis vers de bonnes séquences, même s’il existe des milliards de possibilités.
Cela est utile pour résoudre des problèmes à long terme comme celui-ci. Wu a souligné que l'algorithme de contrôle doit émettre plus de 500 instructions d'accélération au véhicule sur une longue période de temps. De plus, elle a ajouté : "Et nous devons obtenir la bonne séquence avant de savoir que nous avons bien atténué les émissions et que nous sommes à l'intersection à un bon rythme."
Il y a un problème ici, cependant, et c'est que les chercheurs veulent activer le. système pour apprendre une stratégie pour réduire la consommation de carburant et limiter l’impact sur le temps de trajet. Ces objectifs peuvent être en conflit les uns avec les autres.
"Pour réduire le temps de trajet, nous voulons que la voiture roule vite, mais pour réduire les émissions, nous voulons que la voiture ralentisse ou ne bouge pas du tout. Ces récompenses concurrentes peuvent être très déroutantes pour l'agent d'apprentissage", a déclaré Wu.
Bien que résoudre le problème général soit un défi, les chercheurs ont utilisé une technique appelée mise en forme de la récompense pour le contourner. Grâce à la mise en forme des récompenses, ils donnent au système des connaissances dans un domaine qu'il ne peut pas apprendre par lui-même. Dans ce cas, ils punissent le système à chaque arrêt complet du véhicule afin qu'il apprenne à éviter ce comportement.
TEST DE TRAFIC
Une fois que les chercheurs ont développé un algorithme de contrôle efficace, ils l'évaluent à l'aide d'une plateforme de simulation de trafic avec une seule intersection. L'algorithme de contrôle est appliqué à une flotte de véhicules autonomes en réseau qui communiquent avec les feux de circulation à venir pour recevoir des informations de phase et de synchronisation des feux et observer leur environnement. Cet algorithme de contrôle indique à chaque véhicule comment accélérer et décélérer.
Leur système n'a provoqué aucun arrêt de circulation à l'approche de l'intersection. Dans la simulation, plus de voitures sont passées au cours d’une seule phase de feu vert qu’un modèle simulant un conducteur humain. Par rapport à d’autres méthodes d’optimisation visant également à éviter les embouteillages, leur technologie permet de réduire encore plus la consommation de carburant et les émissions. Si chaque voiture sur la route était autonome, leurs systèmes de contrôle pourraient réduire la consommation de carburant de 18 % et les émissions de CO2 de 25 %, tout en conduisant 20 % plus vite.
Wu a déclaré : « C’est vraiment incroyable d’avoir une réduction de 20 à 25 % du carburant ou des émissions grâce à une seule intervention. Mais ce que je trouve intéressant, et ce que je veux vraiment voir, c’est cette mise à l’échelle non linéaire si nous contrôlons seulement. 25 % des véhicules, cela nous donne un bénéfice de 50 % en matière de réduction de carburant et d'émissions. Cela signifie que nous n'avons pas besoin d'attendre d'atteindre 100 % de véhicules autonomes pour bénéficier de cette approche. »
Ensuite, les chercheurs espèrent étudier. les effets interactifs entre plusieurs intersections. De plus, ils prévoient d'explorer comment différents paramètres d'intersection tels que le nombre de voies, les feux, le timing, etc. affectent les temps de trajet, les émissions et la consommation de carburant. De plus, ils prévoient d’étudier l’impact de leurs systèmes de contrôle sur la sécurité lorsque des véhicules autonomes partagent la route avec des conducteurs humains.
Bien que ce travail n'en soit qu'à ses débuts, Wu pense que cette approche pourrait être plus réalisable à mettre en œuvre dans un avenir proche.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds



Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

L'équipe d'apprentissage par renforcement profond de l'Institut d'automatisation de l'Académie chinoise des sciences, en collaboration avec Li Auto et d'autres, a proposé un nouveau cadre de planification en boucle fermée pour la conduite autonome basé sur le modèle multimodal à grand langage MLLM - PlanAgent. Cette méthode prend une vue d'ensemble de la scène et des invites de texte basées sur des graphiques comme entrée, et utilise la compréhension multimodale et les capacités de raisonnement de bon sens du grand modèle de langage multimodal pour effectuer un raisonnement hiérarchique depuis la compréhension de la scène jusqu'à la génération. d'instructions de mouvement horizontal et vertical, et générer en outre les instructions requises par le planificateur. La méthode est testée sur le benchmark nuPlan à grande échelle et exigeant, et les expériences montrent que PlanAgent atteint des performances de pointe (SOTA) dans les scénarios réguliers et à longue traîne. Par rapport aux méthodes conventionnelles de grand modèle de langage (LLM), PlanAgent
